多元時間序列中-智能科學與人工智能網(wǎng)站(編輯修改稿)
2025-02-07 14:48 本頁面
【文章內(nèi)容簡介】 的節(jié)點就代表一個頻繁 k項集 ， 而 樹枝的終點記載了這個頻繁項集的支持度計數(shù)值 。 跨事務關(guān)聯(lián)規(guī)則的算法 ESApriori（ 5） :構(gòu)造動態(tài)樹 以基本項 A和 B， 滑動時間窗口為 3的數(shù)據(jù)庫為例 ， 構(gòu)造一顆 6層 （ 最長的關(guān)聯(lián)規(guī)則包括 6項 ） 共有 32個節(jié)點的動態(tài)樹 。 首先，建立節(jié)點 1（ A0）， 作為第一層節(jié)點；第二項 A0A1有兩項，需要新建第二層鏈表，作為子節(jié)點直接添加到節(jié)點 2；因為第三項 A0A2與 A0A1同屬于第二層，作為 A0A1的兄弟節(jié)點，加入到第二層鏈表中；同理， A0B0、A0B A0B2都屬于第二層，都加入到第二層鏈表中。由于第二層節(jié)點的父節(jié)點只有節(jié)點 1，所以第二層只需要一個鏈表。從第三層開始，每一個新節(jié)點可能屬于不同的父節(jié)點，所以他們會被添加到不同的各自父節(jié)點的子節(jié)點鏈表中。例如，節(jié)點 11（代表頻繁項集 A0A2B0） 的父節(jié)點是節(jié)點 3（代表頻繁項集 A0A2）， 所以被加入到節(jié)點 3的子節(jié)點鏈表中。以此類推，所有的節(jié)點都被添加到動態(tài)樹中。 跨事務關(guān)聯(lián)規(guī)則的算法 ESApriori（ 6） :查詢動態(tài)樹 當分解頻繁項集為 X子集和 Y子集時，需要讀取 X子集的支持度計數(shù)值，從而計算 X ? Y的支持度。這一搜索過程可以在構(gòu)造的動態(tài)樹中快速實現(xiàn)。例如，我們需要得到頻繁項 A0A2B0B1B2中 X子集 A0B0B1的支持度計數(shù)值，只需要循著節(jié)點 1（ A0） 轉(zhuǎn)到第二層鏈表，由節(jié)點 2開始順序搜索節(jié)點找到節(jié)點 4（ B0）， 轉(zhuǎn)入節(jié)點 4的子節(jié)點鏈表，找到節(jié)點 14（ B1）， 讀出它的支持度計數(shù)值。在整個搜索過程中，只需要經(jīng)過 5個節(jié)點，這樣的速度要比搜索鏈表高出若干倍，也要比 Hash表技術(shù)快。在設(shè)計中，將已經(jīng)計算過信任度的頻繁項集節(jié)點直接銷毀，能夠減少訪問空間，進一步加快搜索速度。 ESApriori算法流程圖 項名稱映射 ,交易號映射 開始 載入數(shù)據(jù) 數(shù)據(jù)全部載入 ? N 掃描數(shù)據(jù)庫，獲得 1項集（ L1） L1項的滑動窗口值是否為 0？ 構(gòu)造 2項集 構(gòu)造 k項集 構(gòu)造動態(tài)樹 輸出規(guī)則 是否還有 L1？ 結(jié)束 Y N N Y 跨事務關(guān)聯(lián)規(guī)則的算法 ESApriori:算法性能比較 ?ESApriori與 EApriori算法的性能對比 由圖中可知，當項數(shù)小于 20k時， EApriori和 ESApriori的執(zhí)行效率都很高。但是隨著數(shù)據(jù)的增加， EApriori的內(nèi)存使用量將急速增加，導致運算時間驟然變長；而 ESApriori無論在內(nèi)存上還是在時間上都呈現(xiàn)平穩(wěn)增加的態(tài)勢。在試驗中，當總的項數(shù)大于 30k后， EApriori會耗盡計算機內(nèi)存而無法繼續(xù)運行；而 ESApriori卻可以順利運行。試驗結(jié)論證明，分析較大數(shù)據(jù)量的多元時間序列的跨事務關(guān)聯(lián)規(guī)則時， ESApriori算法在時間 /空間性能上要優(yōu)于 EApriori算法。 多元股票序列的跨事務關(guān)聯(lián)規(guī)則分析 :數(shù)據(jù)預處理 ： s1=3,4,3,2,4,2,0,3,4,4 s2=2,3,2,3,3,4,3,1,1,4 s3=0,3,4,1,0,1,3,3,3,4 合并集 D將沿著時間方向 ， 把在同一時間窗口內(nèi)的數(shù)據(jù)投影到同一事務內(nèi) 。 假設(shè)時間窗口值為 3， 則 TID=0的事務為： T={(0),(0),(0),(1),(1),(1),(2),(2),(2)} 0(深跌 ) 1(跌 ) 2(平 ) 3(漲 ) 4(大漲 ) 0 1 2 3 4 5 6 7 8 9 股票 S1 股票 S2 股票 S3 TID ITEMS 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , ↑ ↑ ↑ s1 s2 s3 多元股票序列的跨事務關(guān)聯(lián)規(guī)則分析 :實驗結(jié)果 ? 我們定義了兩個區(qū)間，分別代表不同的事件。其中，漲幅（收盤價－昨收盤價）／（昨收盤價）大于 1%的數(shù)值定義為“漲”事件，漲幅小于 1%的數(shù)值定義為“跌”事件。 中國鳳凰跌 (0),儀征化纖跌 (1),金杯汽車跌 (1)金杯汽車漲 (2)(%,83%) 多元時間序列的頻繁片斷模式關(guān)聯(lián)規(guī)則分析 ?分析多元時間序列中采樣值之間的關(guān)聯(lián)規(guī)則 ， 必須預先將這些數(shù)值映射到一定的區(qū)間 ， 以降低數(shù)據(jù)之間的差異程度 。這樣才能在一個較小的空間 ， 分析有限的事件之間的關(guān)聯(lián)規(guī)則 。 否則 ， 數(shù)據(jù)的多值性將導致產(chǎn)生太多的候選項而引發(fā)數(shù)據(jù)爆炸 。 ?另一種克服數(shù)據(jù)多值性的方法是 ， 將時間序列的片段映射為一個與其相似的片段
教學課件相關(guān)推薦
鄂ICP備17016276號-1